- ข้อความ
- ประวัติศาสตร์
3.2.2. Nonlinear relevance criterio
3.2.2. Nonlinear relevance criterion
In this criterion, it should be pointed out that there is no
limit value for a specific feature that is considered as
relevant, differently from the criterion of linear correlation
[14,15], as this analysis is only comparative. Table 3 shows
the present values of relevance found for the six features
originally studied [12,14], in order to be able to prove by
nonlinear relevance that L=A and C can truly be rejected.
Note that the feature P presents high relevance in nearly all
the classes, except in NLSI, definitely proving it to be a very
important feature for the discrimination of the defect classes
considered. The features R; a and e=A present greater
relevance in the discrimination of class PO, a result
compatible with previous results obtained [14,15], which
can also be justified as they are features of defects of the
geometric type, as a spherical aspect is very common for the
class PO. However, the features C and L=A have a low
relevance level compared with the other features used in the
work.
Based on the above-mentioned results, different combi-
nations of inputs (excluding C and L=A) using these features
were tested as input vectors for the nonlinear classifier.
Fig. 5 illustrates the results obtained for these combinations
of features. The results obtained with the input vector
a – e=A – P; discarding the feature R; were equivalent in the
two situations (four and five classes) to that obtained with
four features, showing that the dimension of the input vector
could still be reduced to 3, without affecting the perform-
ance of the classifier. The possibility to use only two
features was also studied, as shown in Fig. 5, although the
performance fell in relation to the use of four or three
features, the values of success in the classification were
superior to 90%, when a nonlinear classifier was used. This
result is contrary to that found by Aoki [4], who in his work
used an input vector with 10 features in the nonlinear
classifier for the classification of the classes: UC, LP, PO
and SI, and the performance was greater with the 10 than
when one or other features was discarded [4]. Although
Aoki [4] worked with features different from those that have
been employed in this work, it can be proved that the
dimension of the input vector of the classifiers can be
significantly reduced, if the irrelevant features are
discarded.
Kato et al. [5] also used 10 features to classify crack, lack
of fusion, lack of penetration, porosity and inclusion defects.
The choice of the relevant features to be used in the system
of intelligent pattern classification followed a criterion
based on interviews made with radiograph inspectors. In
these interviews, Kato et al. [5] concluded that it is difficult
to choose features by this method because the criterion is
very subjective and each inspector adopted specific features
of shape or geometry of the defect for categorizing.
Although the study of feature relevance is new in this
area, the work of Mery [25] using the discriminator of
Fisher and curve ROC to evaluate his features used had
excellent results.
In this criterion, it should be pointed out that there is no
limit value for a specific feature that is considered as
relevant, differently from the criterion of linear correlation
[14,15], as this analysis is only comparative. Table 3 shows
the present values of relevance found for the six features
originally studied [12,14], in order to be able to prove by
nonlinear relevance that L=A and C can truly be rejected.
Note that the feature P presents high relevance in nearly all
the classes, except in NLSI, definitely proving it to be a very
important feature for the discrimination of the defect classes
considered. The features R; a and e=A present greater
relevance in the discrimination of class PO, a result
compatible with previous results obtained [14,15], which
can also be justified as they are features of defects of the
geometric type, as a spherical aspect is very common for the
class PO. However, the features C and L=A have a low
relevance level compared with the other features used in the
work.
Based on the above-mentioned results, different combi-
nations of inputs (excluding C and L=A) using these features
were tested as input vectors for the nonlinear classifier.
Fig. 5 illustrates the results obtained for these combinations
of features. The results obtained with the input vector
a – e=A – P; discarding the feature R; were equivalent in the
two situations (four and five classes) to that obtained with
four features, showing that the dimension of the input vector
could still be reduced to 3, without affecting the perform-
ance of the classifier. The possibility to use only two
features was also studied, as shown in Fig. 5, although the
performance fell in relation to the use of four or three
features, the values of success in the classification were
superior to 90%, when a nonlinear classifier was used. This
result is contrary to that found by Aoki [4], who in his work
used an input vector with 10 features in the nonlinear
classifier for the classification of the classes: UC, LP, PO
and SI, and the performance was greater with the 10 than
when one or other features was discarded [4]. Although
Aoki [4] worked with features different from those that have
been employed in this work, it can be proved that the
dimension of the input vector of the classifiers can be
significantly reduced, if the irrelevant features are
discarded.
Kato et al. [5] also used 10 features to classify crack, lack
of fusion, lack of penetration, porosity and inclusion defects.
The choice of the relevant features to be used in the system
of intelligent pattern classification followed a criterion
based on interviews made with radiograph inspectors. In
these interviews, Kato et al. [5] concluded that it is difficult
to choose features by this method because the criterion is
very subjective and each inspector adopted specific features
of shape or geometry of the defect for categorizing.
Although the study of feature relevance is new in this
area, the work of Mery [25] using the discriminator of
Fisher and curve ROC to evaluate his features used had
excellent results.
0/5000
3.2.2 การเกณฑ์ความเกี่ยวข้องไม่เชิงเส้น ในเกณฑ์นี้ มันควรจะชี้ให้เห็นว่ามีไม่ค่าขีดจำกัดสำหรับคุณลักษณะ specific ที่ถือว่าเป็นเกี่ยวข้อง แตกต่างไปจากเงื่อนไขของความสัมพันธ์เชิงเส้น[14,15], เป็นการวิเคราะห์นี้จะเปรียบเทียบ ตาราง 3 แสดงค่ามีความเกี่ยวข้องที่พบลักษณะการทำงาน 6ตอนแรก ศึกษา [12,14], เพื่อให้สามารถพิสูจน์โดยเกี่ยวข้องไม่เชิงเส้นว่า L = A และ C สามารถอย่างแท้จริงถูกปฏิเสธโปรดสังเกตว่า คุณลักษณะ P แสดงความเกี่ยวข้องสูงในเกือบทั้งหมดชั้น ยกเว้นใน NLSI, definitely พิสูจน์ให้เป็นมากคุณลักษณะที่สำคัญสำหรับการเลือกปฏิบัติของชั้นเรียนความบกพร่องถือว่า คุณลักษณะ R การ และ e =ขวัญมากกว่าในการเลือกปฏิบัติของคลาส PO ผลลัพธ์เข้ากันได้กับผลก่อนหน้านี้ได้รับ [14,15], ซึ่งยังสามารถเป็น justified พวกเขาเป็นลักษณะของข้อบกพร่องของการรูปทรงเรขาคณิตชนิด ลักษณะทรงกลมเป็นกันมากสำหรับการเรียน PO อย่างไรก็ตาม คุณลักษณะ C และ L = A ได้เป็นเปรียบเทียบระดับความเกี่ยวข้องกับคุณลักษณะอื่น ๆ ที่ใช้ในการทำงาน ตามกลผลลัพธ์ อื่น combi-ประชาชาติของปัจจัยการผลิต (ยกเว้น C และ L = A) โดยใช้คุณลักษณะเหล่านี้ถูกทดสอบเป็นเวกเตอร์อินพุตสำหรับ classifier ไม่เชิงเส้นFig. 5 แสดงผลชุดข้อมูลเหล่านี้ได้ของคุณสมบัติ ผลได้รับกับเวกเตอร์อินพุตเป็น – e = A-P ละทิ้งคุณลักษณะ R เทียบเท่าในการสถานการณ์ที่สอง (สี่ และคลา five) ที่ได้รับด้วยfour features, showing that the dimension of the input vectorcould still be reduced to 3, without affecting the perform-ance of the classifier. The possibility to use only twofeatures was also studied, as shown in Fig. 5, although theperformance fell in relation to the use of four or threefeatures, the values of success in the classification weresuperior to 90%, when a nonlinear classifier was used. Thisresult is contrary to that found by Aoki [4], who in his workused an input vector with 10 features in the nonlinearclassifier for the classification of the classes: UC, LP, POand SI, and the performance was greater with the 10 thanwhen one or other features was discarded [4]. AlthoughAoki [4] worked with features different from those that havebeen employed in this work, it can be proved that thedimension of the input vector of the classifiers can besignificantly reduced, if the irrelevant features arediscarded. Kato et al. [5] also used 10 features to classify crack, lackof fusion, lack of penetration, porosity and inclusion defects.The choice of the relevant features to be used in the systemof intelligent pattern classification followed a criterionbased on interviews made with radiograph inspectors. Inthese interviews, Kato et al. [5] concluded that it is difficultto choose features by this method because the criterion isvery subjective and each inspector adopted specific featuresof shape or geometry of the defect for categorizing. Although the study of feature relevance is new in thisarea, the work of Mery [25] using the discriminator ofFisher and curve ROC to evaluate his features used hadexcellent results.
การแปล กรุณารอสักครู่..
3.2.2. Nonlinear relevance criterion
In this criterion, it should be pointed out that there is no
limit value for a specific feature that is considered as
relevant, differently from the criterion of linear correlation
[14,15], as this analysis is only comparative. Table 3 shows
the present values of relevance found for the six features
originally studied [12,14], in order to be able to prove by
nonlinear relevance that L=A and C can truly be rejected.
Note that the feature P presents high relevance in nearly all
the classes, except in NLSI, definitely proving it to be a very
important feature for the discrimination of the defect classes
considered. The features R; a and e=A present greater
relevance in the discrimination of class PO, a result
compatible with previous results obtained [14,15], which
can also be justified as they are features of defects of the
geometric type, as a spherical aspect is very common for the
class PO. However, the features C and L=A have a low
relevance level compared with the other features used in the
work.
Based on the above-mentioned results, different combi-
nations of inputs (excluding C and L=A) using these features
were tested as input vectors for the nonlinear classifier.
Fig. 5 illustrates the results obtained for these combinations
of features. The results obtained with the input vector
a – e=A – P; discarding the feature R; were equivalent in the
two situations (four and five classes) to that obtained with
four features, showing that the dimension of the input vector
could still be reduced to 3, without affecting the perform-
ance of the classifier. The possibility to use only two
features was also studied, as shown in Fig. 5, although the
performance fell in relation to the use of four or three
features, the values of success in the classification were
superior to 90%, when a nonlinear classifier was used. This
result is contrary to that found by Aoki [4], who in his work
used an input vector with 10 features in the nonlinear
classifier for the classification of the classes: UC, LP, PO
and SI, and the performance was greater with the 10 than
when one or other features was discarded [4]. Although
Aoki [4] worked with features different from those that have
been employed in this work, it can be proved that the
dimension of the input vector of the classifiers can be
significantly reduced, if the irrelevant features are
discarded.
Kato et al. [5] also used 10 features to classify crack, lack
of fusion, lack of penetration, porosity and inclusion defects.
The choice of the relevant features to be used in the system
of intelligent pattern classification followed a criterion
based on interviews made with radiograph inspectors. In
these interviews, Kato et al. [5] concluded that it is difficult
to choose features by this method because the criterion is
very subjective and each inspector adopted specific features
of shape or geometry of the defect for categorizing.
Although the study of feature relevance is new in this
area, the work of Mery [25] using the discriminator of
Fisher and curve ROC to evaluate his features used had
excellent results.
In this criterion, it should be pointed out that there is no
limit value for a specific feature that is considered as
relevant, differently from the criterion of linear correlation
[14,15], as this analysis is only comparative. Table 3 shows
the present values of relevance found for the six features
originally studied [12,14], in order to be able to prove by
nonlinear relevance that L=A and C can truly be rejected.
Note that the feature P presents high relevance in nearly all
the classes, except in NLSI, definitely proving it to be a very
important feature for the discrimination of the defect classes
considered. The features R; a and e=A present greater
relevance in the discrimination of class PO, a result
compatible with previous results obtained [14,15], which
can also be justified as they are features of defects of the
geometric type, as a spherical aspect is very common for the
class PO. However, the features C and L=A have a low
relevance level compared with the other features used in the
work.
Based on the above-mentioned results, different combi-
nations of inputs (excluding C and L=A) using these features
were tested as input vectors for the nonlinear classifier.
Fig. 5 illustrates the results obtained for these combinations
of features. The results obtained with the input vector
a – e=A – P; discarding the feature R; were equivalent in the
two situations (four and five classes) to that obtained with
four features, showing that the dimension of the input vector
could still be reduced to 3, without affecting the perform-
ance of the classifier. The possibility to use only two
features was also studied, as shown in Fig. 5, although the
performance fell in relation to the use of four or three
features, the values of success in the classification were
superior to 90%, when a nonlinear classifier was used. This
result is contrary to that found by Aoki [4], who in his work
used an input vector with 10 features in the nonlinear
classifier for the classification of the classes: UC, LP, PO
and SI, and the performance was greater with the 10 than
when one or other features was discarded [4]. Although
Aoki [4] worked with features different from those that have
been employed in this work, it can be proved that the
dimension of the input vector of the classifiers can be
significantly reduced, if the irrelevant features are
discarded.
Kato et al. [5] also used 10 features to classify crack, lack
of fusion, lack of penetration, porosity and inclusion defects.
The choice of the relevant features to be used in the system
of intelligent pattern classification followed a criterion
based on interviews made with radiograph inspectors. In
these interviews, Kato et al. [5] concluded that it is difficult
to choose features by this method because the criterion is
very subjective and each inspector adopted specific features
of shape or geometry of the defect for categorizing.
Although the study of feature relevance is new in this
area, the work of Mery [25] using the discriminator of
Fisher and curve ROC to evaluate his features used had
excellent results.
การแปล กรุณารอสักครู่..
3.2.2 . ความเกี่ยวข้องเชิงเกณฑ์
ในเกณฑ์นี้ มันควรจะชี้ให้เห็นว่าไม่มีขีด จำกัด สำหรับกาจึงค่า
C คุณสมบัติที่ถือว่าเป็นที่แตกต่างจากเกณฑ์ของสหสัมพันธ์เชิงเส้นตรง 14,15
[ ] , การวิเคราะห์นี้เป็นเพียงการเปรียบเทียบ ตารางที่ 3 แสดง
ค่าปัจจุบันของความเกี่ยวข้องที่พบใน 6 ลักษณะ
ตอนแรกเรียน [ 12,14 ] , เพื่อที่จะสามารถพิสูจน์โดย
แบบที่เกี่ยวข้อง L = A และ C อย่างแท้จริงสามารถถูกปฏิเสธ
ทราบว่าคุณลักษณะ P แสดงความเกี่ยวข้องสูงในเกือบทุก
เรียน ยกเว้นใน nlsi เดอ จึง nitely พิสูจน์ให้เป็นมาก
ที่สำคัญคุณลักษณะ ค่าอำนาจจำแนกของแบบการเรียน
ถือว่า คุณสมบัติ R ; A และ E = ของขวัญที่ยิ่งใหญ่
ความเกี่ยวข้องในการเรียน ปอ "
,เข้ากันได้กับก่อนหน้านี้ผล [ 14,15 ] ซึ่ง
ยังสามารถ justi จึงเอ็ดเช่นที่พวกเขามีลักษณะของความบกพร่องของ
พิมพ์เรขาคณิต เป็นลักษณะทรงกลม เป็นเรื่องธรรมดามากสำหรับ
ชั้น Po แต่คุณสมบัติ C และ L = มีระดับความเกี่ยวข้องต่ำ
เมื่อเทียบกับคุณสมบัติอื่น ๆที่ใช้ใน
.
จากผลดังกล่าวข้างต้นแตกต่างกัน Combi -
ประชาชาติของปัจจัยการผลิต ( ยกเว้น C และ L = ) โดยใช้คุณสมบัติเหล่านี้
ทดสอบเข้าเวกเตอร์ classi ไม่เชิงเส้นจึงเอ้อ
รูปที่ 5 แสดงให้เห็นถึงผลลัพธ์ที่ได้สำหรับชุดนี้
คุณสมบัติ ผลลัพธ์ที่ได้กับข้อมูลเชิงเส้น : – e = - P ; ทิ้งคุณลักษณะ R ; ได้เทียบเท่าใน
สองสถานการณ์ ( สี่ จึงได้เรียน ) ที่ใช้กับ
4 คุณลักษณะแสดงขนาดของอินพุตเวกเตอร์
อาจจะลดลง 3 , โดยไม่มีผลต่อการถ่ายทอดของ classi -
ance เอ้อ ความเป็นไปได้ที่จะใช้เพียงสอง
นอกจากนี้ยังได้ศึกษาคุณสมบัติ ดังแสดงในรูปที่ 5 แม้ว่า
ประสิทธิภาพลดลงในความสัมพันธ์กับการใช้สี่หรือสาม
คุณสมบัติ คุณค่าของความสำเร็จในการถ่ายทอด classi ถูก
กว่า 90% เมื่อเส้น classi จึงเอ้อคือใช้ผลนี้
ขัดต่อที่พบโดยอาโอกิ [ 4 ] , ผู้เข้างาน
ใช้อินพุตเวกเตอร์ 10 คุณลักษณะในจึง
classi เส้นเอ้อสำหรับ classi จึงไอออนบวกของชั้นเรียน : UC , LP , โป
และซิลิกอน และประสิทธิภาพก็มากขึ้นด้วย 10
เมื่อหนึ่งหรือมากกว่า คุณสมบัติอื่นๆที่ถูกทิ้ง [ 4 ] แม้ว่า
อาโอกิ [ 4 ] ทำงานกับคุณสมบัติที่แตกต่างไปจากที่เคย
มาใช้ในงานนี้พิสูจน์ได้ว่า ขนาดของอินพุตเวกเตอร์ของ
classi ERS จึงสามารถ signi จึงลดลงอย่างมีนัยสําคัญเมื่อลดลง ถ้าคุณสมบัติที่ถูก
.
คาโต้ et al . [ 5 ] ใช้ 10 คุณลักษณะที่จะจำแนกแตกขาด
ของฟิวชั่น ขาดทะลุ ความพรุนรวมข้อบกพร่อง .
เลือกคุณสมบัติที่เกี่ยวข้องเพื่อใช้ในระบบอัจฉริยะในรูปแบบ classi
จึงตามเกณฑ์จากการสัมภาษณ์ให้กับผู้ตรวจสอบรังสี . ใน
การสัมภาษณ์นี้ คาโต้ et al . [ 5 ] สรุปได้ว่ามันคือระดับศาสนา
จึงเลือกคุณสมบัติโดยวิธีนี้ เพราะเกณฑ์คือ
ส่วนตัวและแต่ละสารวัตรบุญธรรม speci จึง C คุณสมบัติ
ของรูปร่างหรือรูปทรงเรขาคณิตของข้อบกพร่องในการแยกแยะ .
ถึงแม้ว่าการศึกษาความเกี่ยวข้องเป็นคุณลักษณะใหม่ในพื้นที่นี้
,ผลงานของแมรี่ [ 25 ] ใช้ Discriminator ของ
ฟิชเชอร์และเส้นโค้ง Roc ประเมินคุณลักษณะของเขาได้
ใช้ผลลัพธ์ที่ยอดเยี่ยม
ในเกณฑ์นี้ มันควรจะชี้ให้เห็นว่าไม่มีขีด จำกัด สำหรับกาจึงค่า
C คุณสมบัติที่ถือว่าเป็นที่แตกต่างจากเกณฑ์ของสหสัมพันธ์เชิงเส้นตรง 14,15
[ ] , การวิเคราะห์นี้เป็นเพียงการเปรียบเทียบ ตารางที่ 3 แสดง
ค่าปัจจุบันของความเกี่ยวข้องที่พบใน 6 ลักษณะ
ตอนแรกเรียน [ 12,14 ] , เพื่อที่จะสามารถพิสูจน์โดย
แบบที่เกี่ยวข้อง L = A และ C อย่างแท้จริงสามารถถูกปฏิเสธ
ทราบว่าคุณลักษณะ P แสดงความเกี่ยวข้องสูงในเกือบทุก
เรียน ยกเว้นใน nlsi เดอ จึง nitely พิสูจน์ให้เป็นมาก
ที่สำคัญคุณลักษณะ ค่าอำนาจจำแนกของแบบการเรียน
ถือว่า คุณสมบัติ R ; A และ E = ของขวัญที่ยิ่งใหญ่
ความเกี่ยวข้องในการเรียน ปอ "
,เข้ากันได้กับก่อนหน้านี้ผล [ 14,15 ] ซึ่ง
ยังสามารถ justi จึงเอ็ดเช่นที่พวกเขามีลักษณะของความบกพร่องของ
พิมพ์เรขาคณิต เป็นลักษณะทรงกลม เป็นเรื่องธรรมดามากสำหรับ
ชั้น Po แต่คุณสมบัติ C และ L = มีระดับความเกี่ยวข้องต่ำ
เมื่อเทียบกับคุณสมบัติอื่น ๆที่ใช้ใน
.
จากผลดังกล่าวข้างต้นแตกต่างกัน Combi -
ประชาชาติของปัจจัยการผลิต ( ยกเว้น C และ L = ) โดยใช้คุณสมบัติเหล่านี้
ทดสอบเข้าเวกเตอร์ classi ไม่เชิงเส้นจึงเอ้อ
รูปที่ 5 แสดงให้เห็นถึงผลลัพธ์ที่ได้สำหรับชุดนี้
คุณสมบัติ ผลลัพธ์ที่ได้กับข้อมูลเชิงเส้น : – e = - P ; ทิ้งคุณลักษณะ R ; ได้เทียบเท่าใน
สองสถานการณ์ ( สี่ จึงได้เรียน ) ที่ใช้กับ
4 คุณลักษณะแสดงขนาดของอินพุตเวกเตอร์
อาจจะลดลง 3 , โดยไม่มีผลต่อการถ่ายทอดของ classi -
ance เอ้อ ความเป็นไปได้ที่จะใช้เพียงสอง
นอกจากนี้ยังได้ศึกษาคุณสมบัติ ดังแสดงในรูปที่ 5 แม้ว่า
ประสิทธิภาพลดลงในความสัมพันธ์กับการใช้สี่หรือสาม
คุณสมบัติ คุณค่าของความสำเร็จในการถ่ายทอด classi ถูก
กว่า 90% เมื่อเส้น classi จึงเอ้อคือใช้ผลนี้
ขัดต่อที่พบโดยอาโอกิ [ 4 ] , ผู้เข้างาน
ใช้อินพุตเวกเตอร์ 10 คุณลักษณะในจึง
classi เส้นเอ้อสำหรับ classi จึงไอออนบวกของชั้นเรียน : UC , LP , โป
และซิลิกอน และประสิทธิภาพก็มากขึ้นด้วย 10
เมื่อหนึ่งหรือมากกว่า คุณสมบัติอื่นๆที่ถูกทิ้ง [ 4 ] แม้ว่า
อาโอกิ [ 4 ] ทำงานกับคุณสมบัติที่แตกต่างไปจากที่เคย
มาใช้ในงานนี้พิสูจน์ได้ว่า ขนาดของอินพุตเวกเตอร์ของ
classi ERS จึงสามารถ signi จึงลดลงอย่างมีนัยสําคัญเมื่อลดลง ถ้าคุณสมบัติที่ถูก
.
คาโต้ et al . [ 5 ] ใช้ 10 คุณลักษณะที่จะจำแนกแตกขาด
ของฟิวชั่น ขาดทะลุ ความพรุนรวมข้อบกพร่อง .
เลือกคุณสมบัติที่เกี่ยวข้องเพื่อใช้ในระบบอัจฉริยะในรูปแบบ classi
จึงตามเกณฑ์จากการสัมภาษณ์ให้กับผู้ตรวจสอบรังสี . ใน
การสัมภาษณ์นี้ คาโต้ et al . [ 5 ] สรุปได้ว่ามันคือระดับศาสนา
จึงเลือกคุณสมบัติโดยวิธีนี้ เพราะเกณฑ์คือ
ส่วนตัวและแต่ละสารวัตรบุญธรรม speci จึง C คุณสมบัติ
ของรูปร่างหรือรูปทรงเรขาคณิตของข้อบกพร่องในการแยกแยะ .
ถึงแม้ว่าการศึกษาความเกี่ยวข้องเป็นคุณลักษณะใหม่ในพื้นที่นี้
,ผลงานของแมรี่ [ 25 ] ใช้ Discriminator ของ
ฟิชเชอร์และเส้นโค้ง Roc ประเมินคุณลักษณะของเขาได้
ใช้ผลลัพธ์ที่ยอดเยี่ยม
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- ร้านอาหารที่ใหญ่ๆ
- รักและเป็นห่วงอยู่เสมอ
- Solid waste collection and disposal in A
- Mens BlazerLong SleevesFitted StyleButto
- During the fabrication and assembly stag
- ฉันอยากเที่ยวรอบเกาะสิมิลัน
- There are a possible to order
- ไม่ว่าจะเป็น
- Other is bigger than small differnces
- 套防尘套
- I was ill for food poisoning
- ล้มเพราะก้าวไปข้างหน้า ดีกว่ายืนเต๊ะท่าอ
- ฉันก็เริ่มเรียนรู้การเป็นอยู่ของประเทศคุ
- the firm's investment in current assetst
- ค่อยคุยกันใหม่นะ ฉันไปทำการบ้าน
- นำพริกแห้ง หัวหอมเผา กระเทียม กะปิ โขลกร
- ฉันหวังว่าจะได้ร่วมงานกับคุณน่ะคะ
- เดี๋ยวก็กลับบ้าน
- เขาเป็นนักเรียนของพวกเขา
- ไปหาคุณ
- homophobia
- I'm don't no you see
- Why do you look me right that ka my girl
- ผลิตภัณอาหารเสริม
